質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

88.60%

Label Encoder で 欠損値を扱う方法について

受付中

回答 1

投稿 編集

  • 評価
  • クリップ 0
  • VIEW 81

前提・実現したいこと

以下の画像のような、str型とint型、float型のデータが混ざったdataframeをLabel Encodingしたいと考えています。
img
'NAME_INCOME_TYPE' という列には欠損値が含まれています。

発生している問題・エラーメッセージ

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode(values, uniques, encode, check_unknown)
    112         try:
--> 113             res = _encode_python(values, uniques, encode)
    114         except TypeError:

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode_python(values, uniques, encode)
     60     if uniques is None:
---> 61         uniques = sorted(set(values))
     62         uniques = np.array(uniques, dtype=values.dtype)

TypeError: '<' not supported between instances of 'float' and 'str'

During handling of the above exception, another exception occurred:

TypeError                                 Traceback (most recent call last)
<ipython-input-36-ad9d13d097b0> in <module>
      5 for c in cat_cols:
      6     le = LabelEncoder()
----> 7     le.fit(df[c])
      8     df[c] = le.transform(df[c])
      9 

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in fit(self, y)
    238         """
    239         y = column_or_1d(y, warn=True)
--> 240         self.classes_ = _encode(y)
    241         return self
    242 

~/anaconda3/lib/python3.8/site-packages/sklearn/preprocessing/_label.py in _encode(values, uniques, encode, check_unknown)
    115             types = sorted(t.__qualname__
    116                            for t in set(type(v) for v in values))
--> 117             raise TypeError("Encoders require their input to be uniformly "
    118                             f"strings or numbers. Got {types}")
    119         return res

TypeError: Encoders require their input to be uniformly strings or numbers. Got ['float', 'str']

該当のソースコード

cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER', 'NAME_INCOME_TYPE', 'FLAG_OWN_CAR']

from sklearn.preprocessing import LabelEncoder

for c in cat_cols:
    le = LabelEncoder()
    le.fit(df[c])
    df[c] = le.transform(df[c])

df.head()

試したこと

cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER', 'NAME_INCOME_TYPE']のときはエラーが発生しますが、cat_cols = ['NAME_CONTRACT_TYPE','CODE_GENDER']のときはエラーが発生しないため'NAME_INCOME_TYPE'に欠損値が存在することが原因と考えているのですが、どう対処したらいいかわかりません。

よろしくおねがいします。

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 過去に投稿した質問と同じ内容の質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

質問への追記・修正、ベストアンサー選択の依頼

  • toast-uz

    2020/11/22 12:30

    欠損値をどうしたいのでしょうか?無視する?何かに置き換える?
    いずにしてもその処理を、DataFrameにdropnaかfillnaして事前にきれいにしておくだけであると思います。これだけの話であればこれが回答となります。そうでなければ、何に悩まれているのか、もう少し教えてください。

    キャンセル

回答 1

0

一番簡単なのはdropnaを使って欠損値が含まれるデータを廃棄することです。
事情があって廃棄できない場合は、one-hot-encodingによってどのlabelでもないとして扱う方法があります。one-hot-encodingとはlabelの情報を0また1の組み合わせによって表現する方法です。仮にencode対象が、[a,b,c]のどれかとします。aを[1,0,0]とcを[0,0,1]という具合に3要素のベクトルとして表現します。これによって、欠損値の場合はa,b,cのどれでもないので[0,0,0]とencodeします。具体的にはpandas.get_dummies()を使います。
質問に記載のコードだとlabelを数値に置き換えることが目的のようなので、LabelEncoderを適用する前にfillnaメソッドを使って欠損値にlabelを割り振る方法がいいかもしれません。
欠損値が含まれるデータにおけるエンコードの方法はいろいろあります。このあたりはエンコードした後に何をするか、や欠損値を含むデータの件数や比率によって決めるものです。

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 88.60%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

関連した質問

同じタグがついた質問を見る